自动设计用于医学图像分割的 CNN 架构

Jul, 2018

自动设计用于医学图像分割的 CNN 架构

Automatically Designing CNN Architectures for Medical Image Segmentation

Aliasghar Mortazi, Ulas Bagci

TL;DR本文提出了一种基于策略梯度强化学习的超参数自动优化算法，旨在针对医学图像分割任务设计神经网络结构，并提出了一种密集连接编码器 - 解码器 CNN 作为强基线架构，结果表明该算法的计算成本低且效果显著达到了同领域最先进水平。

Abstract

deep neural network architectures have traditionally been designed and explored with human expertise in a long-lasting trial-and-error process. This process requires huge amount of time, expertise, and resources. To address this tedious problem, we propose a novel algorithm to optimall

deep neural network hyperparameter optimization medical image segmentation reinforcement learning convolutional neural network

发现论文，激发创造

基于强化学习的 3D 医学图像分割搜索学习策略

该研究提出了一种基于强化学习的自动化搜索方法，用于训练深度神经网络以优化医学图像分割任务的性能。经搜索后，基准模型的性能得到提升，并且与其他手动调整的最新分割方法具有可比性。

Jun, 2020

医学图像分割深度学习方法的自动设计

利用人工智能中的深度学习技术，基于 nnU-Net 框架实现了高质量的三维生物医学图像分割和量化，该框架不需要人工参与，能够自动适应不同的数据集和分割任务，同时在 19 项公共比赛中取得了优于大部分深度学习算法的表现。

Apr, 2019

针对三维医学图像分割的可扩展神经体系结构搜索

本文提出了一种神经体系结构搜索 (NAS) 框架，用于自动优化大规模设计空间中的神经体系结构，支持 3D 医学图像分割任务，其优化准确度在基准测试数据集上优于人类设计的 3D U-Net，经过优化的体系结构适用于不同的任务。

Jun, 2019

迭代深度卷积编码器 - 解码器网络的医学图像分割

本文提出了一种新的基于迭代深度学习框架的医学图像分割方法，使用迭代学习方法和编码器 - 解码器网络，结合卷积编码器和迭代学习，可以精确定位具有复杂形状或详细纹理的 ROI，实验结果表明该方法可以对各种医学图像进行良好的分割。

Aug, 2017

深度学习医学图像分割

通过对 ADNI 海马 MRI 数据集进行分割实验，比较了不同的三维海马分割卷积架构的有效性和效率，结果表明，与简单的二维块相比，稍微非传统的 “堆叠的 2D” 方法提供了更好的分类性能，并且不需要额外的计算能力。同样我们也测试了一种流行的 “三平面” 方法，发现它提供了比 2D 方法更好的结果，但需要适度增加计算能力的要求。最后，我们评估了完整的三维卷积体系结构，并发现它提供了比三平面方法略好的结果，但代价是需要非常大的计算能力要求。

May, 2015

面向三维医疗图像分割的资源优化神经架构搜索

本研究提出一种基于强化学习的小样本、低计算力的 NAS 方法，优化了宏搜索空间配置，可用于大规模的 3D 医学图像分割，无需微调、训练时间仅为 1.39 天，性能表现优于手动设计的网络及现有 NAS 方法之最佳结果。

Sep, 2019

一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019

利用遗传算法自动设计卷积神经网络架构进行图像分类

本文提出一种使用遗传算法进行卷积神经网络 (CNNs) 自动架构设计的方法，无需领域知识，可有效解决图像分类任务，实验证明该方法在分类准确性、参数数量和计算资源消耗方面优于现有的自动 CNN 架构设计算法。

Aug, 2018

医学图像分割的多尺度自引导注意力

采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

Jun, 2019

使用深度学习进行交互式医学图像分割，并采用特定于图像的微调方法

本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

Oct, 2017